基于BiLSTM与Transformer的多阶段BiSTU网络：从PPG信号预测ABP波形的新型心血管疾病诊断工具

心血管疾病(CVD)的早期诊断亟需精准无创的动脉血压(ABP)波形预测技术。来自ICU临床数据的研究团队创新性提出BiSTU序列网络，整合双向长短期记忆(Bi-LSTM)、多头注意力Transformer和多尺度MCBAMU-Net模块，在12,000例患者数据中实现ABP波形高精度预测（MAE 1.78±2.15 mmHg，R2=0.98），同时满足AAMI和BHS临床标准，为CVD监测提供突破性解决方案。

　　

心血管疾病(CVD)持续威胁全球健康，动脉血压波形(ABP)作为关键生理指标对早期诊断至关重要。针对现有脉搏波评估方法预测精度不足的瓶颈，这项研究构建了创新的BiSTU序列网络架构：通过双向长短期记忆网络(Bi-LSTM)捕捉时序特征，结合配备多头注意力机制的Transformer挖掘细节特征，再经多分辨率卷积注意力U-Net(MCBAMU-Net)实现多尺度特征融合。

研究团队利用942名ICU患者的12,000条生命体征记录进行模型训练。令人振奋的是，预测波形与真实ABP高度吻合——平均绝对误差(MAE)低至1.78±2.15 mmHg，均方根误差(RMSE)2.79 mmHg，决定系数R²达0.98。该模型不仅满足美国医疗仪器促进协会(AAMI)标准（收缩压SBP误差2.94±3.43 mmHg，舒张压DBP误差4.22±5.18 mmHg），更在英国高血压学会(BHS)标准下取得突破：5mmHg误差范围内的DBP/SBP准确率分别达85.3%和72.4%，15mmHg时更超过97%。

这项融合深度学习和临床医学的研究，为无创血压监测开辟了新途径。BiSTU网络展现的卓越性能，不仅有望推动CVD早期诊断技术发展，其多模态架构设计思路更为生物信号处理领域提供了重要参考。